基于深度卷积神经网络的人体动作识别
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 人体动作识别的国内外研究现状 | 第8-9页 |
| 1.3 目前人体动作识别存在的问题 | 第9-10页 |
| 1.4 本文的研究内容 | 第10-11页 |
| 1.5 本文的结构安排 | 第11-12页 |
| 第2章 人体动作识别研究概述 | 第12-22页 |
| 2.1 人体动作识别的研究框架 | 第12页 |
| 2.2 人体动作识别的特征提取 | 第12-18页 |
| 2.2.1 基于非深度学习算法的特征提取 | 第12-15页 |
| 2.2.2 基于深度学习算法的特征提取 | 第15-18页 |
| 2.3 人体动作识别的分类器 | 第18-21页 |
| 2.3.1 基于时序特征的分类器 | 第18-19页 |
| 2.3.2 基于固定维度特征的分类器 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 深度学习与深度卷积神经网络 | 第22-39页 |
| 3.1 深度学习 | 第22-34页 |
| 3.1.1 深度学习与神经网络 | 第22-26页 |
| 3.1.2 深度学习的训练过程 | 第26-28页 |
| 3.1.3 深度学习的基本模型 | 第28-34页 |
| 3.2 深度卷积神经网络 | 第34-38页 |
| 3.2.1 深度卷积神经网络结构 | 第34-35页 |
| 3.2.2 卷积层与卷积过程 | 第35-36页 |
| 3.2.3 池化层与池化过程 | 第36-37页 |
| 3.2.4 全连接层与输出层 | 第37-38页 |
| 3.2.5 深度卷积神经网络优点 | 第38页 |
| 3.3 本章小结 | 第38-39页 |
| 第4章 基于2D深度卷积神经网络的人体动作识别 | 第39-47页 |
| 4.1 长时循环卷积神经网络算法 | 第39-43页 |
| 4.1.1 长短时记忆神经网络 | 第39-41页 |
| 4.1.2 长时循环卷积神经网络模型结构 | 第41-43页 |
| 4.2 长时循环卷积神经网络算法的改进 | 第43-45页 |
| 4.2.1 门限循环单元 | 第43-44页 |
| 4.2.2 长时递归深度卷积神经网络的改进 | 第44-45页 |
| 4.3 实验结果对比与分析 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 基于3D深度卷积神经网络的人体动作识别 | 第47-55页 |
| 5.1 P-CNN3D深度卷积神经网络算法 | 第47-50页 |
| 5.1.1 3D卷积 | 第47-48页 |
| 5.1.2 P-CNN模型 | 第48-49页 |
| 5.1.3 P-CNN模型的不足 | 第49-50页 |
| 5.2 改进的3D深度卷积神经网络算法 | 第50-53页 |
| 5.2.1 3D卷积核与3D池化核 | 第50-51页 |
| 5.2.2 改进的3D深度卷积神经网络模型 | 第51-52页 |
| 5.2.3 规则化的3D深度卷积神经网络模型 | 第52-53页 |
| 5.3 实验结果对比及分析 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表的学术论文与参加的科研项目 | 第61-62页 |
| 致谢 | 第62-63页 |
